如何使用 Keras 将输入和输出数据拟合到 Siamese Network 中？

如何解决如何使用 Keras 将输入和输出数据拟合到 Siamese Network 中？

我正在尝试使用野外标记人脸（kaggle 中的 LFW 数据集）实现人脸识别连体网络。

训练数据图像对的存储格式为：

ndarray[ndarray[image1,image2],ndarray[image1,image2]...] 等等。图片为RGB通道，大小为224*224。

有 2200 个训练对，其中 1100 个匹配图像对和 1100 个不匹配图像对。此外，还有 1000 个测试对，其中 500 个匹配图像对和 500 个不匹配图像对。

我用 VGG-16 架构设计了 Siamese 网络。模型总结如下：

但是，当我尝试为数据拟合模型时，出现此错误：

网络的代码是：

from keras.layers import Input,Lambda
from keras import backend as K
from keras.models import Model
from keras.regularizers import l2

IMG_SHAPE=(224,224,3)
BATCH_SIZE=16
EPOCHS=32

def return_siamese_net():

  left_input=Input(IMG_SHAPE)
  right_input=Input(IMG_SHAPE)

  model=Sequential(name="VGG-16")

  #First Layer

  model.add(Conv2D(filters=64,kernel_size=(3,3),activation='relu',padding='same',input_shape=IMG_SHAPE,kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
  model.add(Conv2D(filters=64,kernel_regularizer=l2(1e-4)))
  model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))

  #Second Layer
  model.add(Conv2D(filters=128,kernel_regularizer=l2(1e-4)))
  model.add(Conv2D(filters=128,2)))

  #Third Layer
  model.add(Conv2D(filters=256,kernel_regularizer=l2(1e-4)))
  model.add(Conv2D(filters=256,2)))

  #Fourth Layer
  model.add(Conv2D(filters=512,kernel_regularizer=l2(1e-4)))
  model.add(Conv2D(filters=512,2)))

  #Fifth Layer
  model.add(Conv2D(filters=512,2)))

  #Sixth Layer
  model.add(Flatten())
  model.add(Dense(4096,activation='relu'))

  encoded_l=model(left_input)
  encoded_r=model(right_input)

  lambda_layer= Lambda(lambda tensors:K.abs(tensors[0]-tensors[1]))
  L1_distance = lambda_layer([encoded_l,encoded_r])
  prediction = Dense(1,activation='sigmoid')(L1_distance)
  siamese_net = Model(inputs=[left_input,right_input],outputs=prediction)
  
  return siamese_net


from keras.optimizers import SGD,RMSprop,Adam

optimizer=Adam(lr=0.01)
model.compile(loss='binary_crossentropy',metrics=['accuracy'],optimizer=optimizer)

在下面的代码段中，train_nparr_pairs 有 2200 个匹配和不匹配的图像，而 test_nparr_pairs 有 1000 个匹配和不匹配的图像。 train_labels 和 test_labels 有 0 和 1 基于正对和负对。

history = model.fit([train_nparr_pairs[:,0],train_nparr_pairs[:,1]],train_labels,validation_data=([test_nparr_pairs[:,test_nparr_pairs[:,test_labels),batch_size=BATCH_SIZE,epochs=EPOCHS)

这里有什么我遗漏的吗？